减少伪影偏差，实现更通用的人工智能生成图像检测

随着人工智能生成图像的滥用日益增多，迫切需要通用的图像检测技术。最近最先进的 (SOTA) 方法采用对齐的训练数据集来减少内容、大小和格式偏差，使模型能够捕获强大的伪造线索。常见的策略是采用重建技术（例如 VAE 和 DDIM）来构建对齐的合成底片。然而，依靠单一的重建过程会产生狭窄且均匀的伪影分布，从而导致其他伪影形成机制的取证痕迹未被充分代表。为了在不牺牲对齐的情况下扩大伪影覆盖范围，我们使用 SRGAN 构建了基于对抗性恢复的底片，其学习的上采样和纹理恢复产生了与 VAE 重建互补的痕迹，同时保留了内容、大小和格式。直接混合两个对齐的伪域并不简单，因为它们的工件流形和优化方向可能会发生冲突。因此，我们提出了 Artifact-Complementary Expert Fusion (ACEF)，这是一个用于稳健 AIGC 检测的两阶段框架。 ACEF 首先通过 LoRA 适应在冻结的基础骨干上构建两个特定于工件的专家。然后冻结它们并引入逐层伪像互补融合 (LACF)，通过自适应门集成多层源特定和跨伪像证据。对 13 个不同基准的广泛实验证明了我们方法的有效性。